第1章 理论基础 1
1.1 相关概念 1
1.1.1 消费品安全 1
1.1.2 事故致因 1
1.1.3 风险评估 1
1.1.4 风险耦合 1
1.1.5 仿真技术 1
1.1.6 贝叶斯网络 2
1.1.7 贝叶斯神经网络 2
1.1.8 机器学习 2
1.1.9 增强学习 2
1.2 国内外研究现状 2
1.2.1 消费品安全 2
1.2.2 风险评估 4
1.2.3 风险耦合 7
1.2.4 仿真技术 9
1.2.5 机器学习 11
1.2.6 小结 13
第2章 消费品安全伤害场景构成因素关联模型研究 15
2.1 构成因素特征分析 15
2.1.1 消费者特征分析 15
2.1.2 产品特征分析 16
2.1.3 环境特征分析 20
2.2 消费品伤害场景构成因素关联关系分析 21
2.2.1 构成因素关联关系特征 21
2.2.2 消费品安全伤害因素风险耦合机理 22
2.2.3 构成因素同质单因素耦合关系分析 24
2.2.4 构成因素异质双因素耦合关系分析 26
2.3 基于N-K模型的构成因素风险耦合测度分析 32
2.3.1 耦合风险分类 33
2.3.2 构成因素风险耦合测度计算公式 35
2.4 消费品风险耦合N-K模型验证 36
2.5 小结 37
第3章 消费品安全多源数据采集与融合分析 38
3.1 总体情况 38
3.1.1 数据来源 38
3.1.2 消费品类别 42
3.2 消费品伤害事件各项因素统计分析 43
3.2.1 人的因素 43
3.2.2 环境因素 44
3.2.3 产品因素 45
3.2.4 伤害类型 45
3.3 纺织品及服装鞋帽类产品伤害事件各项因素统计分析 47
3.3.1 人的因素 47
3.3.2 环境因素 47
3.3.3 产品因素 48
3.3.4 伤害类型 49
3.4 儿童用品伤害事件各项因素统计分析 50
3.4.1 人的因素 50
3.4.2 环境因素 51
3.4.3 产品因素 53
3.4.4 伤害类型 53
第4章 基于仿真方法的消费品安全风险评估模型研究 55
4.1 消费品安全风险评估模型构建流程 55
4.1.1 风险因素识别 55
4.1.2 基于贝叶斯网络的伤害因素—伤害场景关联模型 57
4.1.3 基本分类器模型构建 58
4.1.4 基于贝叶斯网络的增强学习分类器构建 59
4.1.5 消费品安全风险等级判定 59
4.2 基于伤害数据的危害因素识别 59
4.2.1 多源数据处理 59
4.2.2 风险因素库的建立 60
4.3 基于贝叶斯网络的伤害因素—伤害场景关联模型 64
4.3.1 建立分层贝叶斯网络网络的边 64
4.3.2 贝叶斯网络初始化 64
4.4 基于贝叶斯网络的基本分类模型 65
4.4.1 基于马尔科夫—蒙特卡洛算法的结构学习 65
4.4.2 基于EM算法的参数学习 67
4.5 基于增强学习的分类器设计 67
4.5.1 基于AdaBoost增强学习算法的强分类器结构 68
4.5.2 AdaBoost增强学习的算法实现 68
4.6 基于矩阵法的消费品危害风险评估 70
4.7 小结 71
第5章 实证研究 72
5.1 基于贝叶斯网络和增强学习的风险评估模型（强分类器） 72
5.1.1 风险评估强分类器设计 72
5.1.2 模型效果测评 73
5.2 基于马尔科夫—蒙特卡洛算法的贝叶斯网络实现产品多因素综合风险评估 79
5.2.1 多因素耦合关系风险评估模型 79
5.2.2 模型效果测评 79
5.2.3 产品的多危害因素综合风险评估 80
附录 82
1 贝叶斯网络及其NetLogo实现 82
2 节模型训练的网络参数 98
参考文献 101